Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "defect detection" wg kryterium: Wszystkie pola

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Fabric Defect Detection Using the Sensitive Plant Segmentation Algorithm
    Wykrywanie defektów tkaniny za pomocą czułego algorytmu segmentacji roślin (SPSA)
    Autorzy:
    Nisha, M. Fathu
    Vasuki, P.
    Roomi, S. Mohamed Mansoor
    Powiązania:
    https://bibliotekanauki.pl/articles/234459.pdf
    Data publikacji:
    2020
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
    Tematy:
    external stimulation
    fabric pattern
    sensitive behaviour
    texture
    zewnętrzna stymulacja
    wzór tkaniny
    wrażliwe zachowanie
    tekstura
    Opis:
    Fabric quality control and defect detection are playing a crucial role in the textile industry with the development of high customer demand in the fashion market. This work presents fabric defect detection using a sensitive plant segmentation algorithm (SPSA) which, is developed with the sensitive behaviour of the sensitive plant biologically named “mimosa pudica”. This method consists of two stages: The first stage enhances the contrast of the defective fabric image and the second stage segments the fabric defects with the aid of the SPSA. The SPSA proposed was developed for defective pixel identification in non-uniform patterns of fabrics. In this paper, the SPSA was built through checking with devised conditions, correlation and error probability. Every pixel was checked with the algorithm developed to be marked either a defective or non-defective pixel. The SPSA proposed was tested on different types of fabric defect databases, showing a much improved performance over existing methods.
    Wraz z rozwojem zapotrzebowania klientów na rynku mody kontrola jakości tkanin i wykrywanie defektów odgrywa kluczową rolę w przemyśle tekstylnym. W pracy przedstawiono wykrywanie defektów tkanin przy użyciu czułego algorytmu segmentacji roślin (SPSA), który został opracowany na podstawie rośliny o nazwie biologicznej „mimosa pudica”. Ta metoda składa się z dwóch etapów. Pierwszy etap to wzmocnienie kontrastu wadliwego obrazu tkaniny, a drugi etap segmentował defekty tkaniny za pomocą SPSA. Proponowana metoda z użyciem SPSA została opracowana do identyfikacji wadliwych pikseli w niejednorodnych wzorach tkanin. W artykule przedstawiono wyniki SPSA, a także dokonano ich weryfikacji pod kątem korelacji i prawdopodobieństwa błędu. Każdy piksel został sprawdzony za pomocą opracowanego algorytmu, tak aby został zaznaczony piksel wadliwy lub nieuszkodzony. Proponowany algorytm SPSA został przetestowany na różnych typach baz danych defektów tkanin i wykazał niezwykłą wydajność w stosunku do istniejących metod.
    Źródło:
    Fibres & Textiles in Eastern Europe; 2020, 3 (141); 84-87
    1230-3666
    2300-7354
    Pojawia się w:
    Fibres & Textiles in Eastern Europe
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Local Characterisation and Detection of Woven Fabric Texture Based on a Sparse Dictionary
    Autorzy:
    Wu, Ying
    Wang, Ren
    Lou, Lin
    Wang, Lali
    Wang, Jun
    Powiązania:
    https://bibliotekanauki.pl/articles/2172000.pdf
    Data publikacji:
    2022
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
    Tematy:
    fabric texture representation
    sparse representation
    weave repeat
    defect detection
    dictionary learning
    Opis:
    To achieve enhanced accuracy of fabric representation and defect detection, an innovative approach using a sparse dictionary with small patches was used for fabric texture characterisation. The effectiveness of the algorithm proposed was tested through comprehensive characterisation by studying eight weave patterns: plain, twill, weft satin, warp satin, basket, honeycomb, compound twill, and diamond twill and detecting fabric defects. Firstly, the main parameters such as dictionary size, patch size, and cardinality T were optimised, and then 40 defect-free fabric samples were characterised by the algorithm proposed. Subsequently, the Impact of the weave pattern was investigated based on the representation result and texture structure. Finally, defective fabrics were detected. The algorithm proposed is an alternative simple and scalable method to characterise fabric texture and detect textile defects in a single step without extracting features or prior information.
    Źródło:
    Fibres & Textiles in Eastern Europe; 2022, 3 (151); 33--40
    1230-3666
    2300-7354
    Pojawia się w:
    Fibres & Textiles in Eastern Europe
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Fabric Defect Detection Using a Hybrid and Complementary Fractal Feature Vector and FCM-based Novelty Detector
    Wykrywanie defektów tkanin za pomocą hybrydowego wektora funkcji fraktalnej i nowatorskiego detektora opartego na zbiorze rozmytym wartości średnich (FCM)
    Autorzy:
    Zhou, J.
    Wang, J.
    Bu, H.
    Powiązania:
    https://bibliotekanauki.pl/articles/232397.pdf
    Data publikacji:
    2017
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
    Tematy:
    defect detection
    box-counting dimension
    fuzzy c-means
    novelty detection
    wykrywanie defektów
    wektor hybrydowy
    zbiór rozmyty wartości średnich
    Opis:
    Automated detect detection in woven fabrics for quality control is still a challenging novelty detection problem. This work presents five novel fractal features based on the box-counting dimension to address the novelty detection of fabric defect. Making use of the formation of woven fabric, the fractal features are extracted in a one-dimension series obtained by projecting a fabric image along the warp and weft directions, where their complementarity in discriminating defects is taken into account. Furthermore a new novelty detector based on fuzzy c-means (FCM) is devised to deal with one-class classification of the features extracted. Finally, by jointly applying the features proposed and the FCM based novelty detector, we evaluate the method proposed for eight datasets with different defects and textures, where satisfying results are achieved with a low overall missing detection rate.
    Automatyczne wykrywanie defektów tkanin w celu kontroli ich jakości mimo wielu dotychczasowych badań nadal stanowi wyzwanie. Mając na celu opracowanie nowatorskiej metody wykrywaniem wad tkanin przedstawiono pięć cech fraktalnych. W celu klasyfikacji wyodrębnionych cech opracowano detektor wad tkanin oparty na zbiorze rozmytym wartości średnich (FCM). Poprzez wspólne zastosowanie proponowanych cech i opartego na FCM detektorze sprawdzono proponowaną metodę dla ośmiu zestawów danych z różnymi defektami i teksturami. Stwierdzono, że otrzymane wyniki są na satysfakcjonującym poziomie.
    Źródło:
    Fibres & Textiles in Eastern Europe; 2017, 6 (126); 46-52
    1230-3666
    2300-7354
    Pojawia się w:
    Fibres & Textiles in Eastern Europe
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Fabric Defect Detection and Classifier via Multi-Scale Dictionary Learning and an Adaptive Differential Evolution Optimized Regularization Extreme Learning Machine
    Wykrywanie defektów tkaniny i ich klasyfikacja poprzez zastosowanie maszyny uczącej się (ADE-RELM)
    Autorzy:
    Zhou, Zhiyu
    Wang, Chao
    Gao, Xu
    Zhu, Zefei
    Hu, Xudong
    Zheng, Xiao
    Jiang, Likai
    Powiązania:
    https://bibliotekanauki.pl/articles/233999.pdf
    Data publikacji:
    2019
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
    Tematy:
    defect detection
    multi-scale dictionary learning
    regularisation extreme learning machine
    adaptive differential evolution
    defekty tkaniny
    skuteczność wykrywania defektów
    maszyna ucząca się
    Opis:
    To develop an automatic detection and classifier model for fabric defects, a novel detection and classifier technique based on multi-scale dictionary learning and the adaptive differential evolution algorithm optimised regularisation extreme learning machine (ADE-RELM) is proposed. Firstly in order to speed up dictionary updating under the condition of guaranteeing dictionary sparseness, k-means singular value decomposition (KSVD) dictionary learning is used. Then multi-scale KSVD dictionary learning is presented to extract texture features of textile images more accurately. Finally a unique ADE-RELM is designed to build a defect classifier model. In the training ADE-RELM classifier stage, a self-adaptive mutation operator is used to solve the parameter setting problem of the original differential evolution algorithm, then the adaptive differential evolution algorithm is utilised to calculate the optimal input weights and hidden bias of RELM. The method proposed is committed to detecting common defects like broken warp, broken weft, oil, and the declining warp of grey-level and pure colour fabrics. Experimental results show that compared with the traditional Gabor filter method, morphological operation and local binary pattern, the method proposed in this paper can locate defects precisely and achieve high detection efficiency.
    W celu opracowania automatycznego modelu wykrywania i klasyfikowania defektów tkanin, zaproponowano nowatorską technikę wykrywania i klasyfikowania opartą na zastosowaniu maszyny uczącej się (ADE-RELM). Proponowana metoda ma na celu wykrywanie powszechnych defektów, takich jak przerwana osnowa i wątek oraz zabrudzenia po oleju. Wyniki eksperymentalne pokazują, że w porównaniu z tradycyjną metodą filtrów Gabora, operacją morfologiczną i lokalnym wzorcem binarnym, proponowana w artykule metoda pozwala na precyzyjne zlokalizowanie defektów i osiąga wysoką skuteczność ich wykrywania.
    Źródło:
    Fibres & Textiles in Eastern Europe; 2019, 1 (133); 67-77
    1230-3666
    2300-7354
    Pojawia się w:
    Fibres & Textiles in Eastern Europe
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies